周建民，符正晴，蔡 莉，李 鵬

（華東交通大學(xué)機(jī)電工程學(xué)院，江西 南昌 330013）

基于熱圖時(shí)序特征和PNN的孔洞缺陷紅外無損檢測(cè)方法

周建民，符正晴，蔡 莉，李 鵬

（華東交通大學(xué)機(jī)電工程學(xué)院，江西 南昌 330013）

利用熱圖時(shí)序特征和PNN，提出了一種以像素為單位，實(shí)現(xiàn)缺陷紅外無損檢測(cè)的新方法。該方法首先采用紅外熱像儀獲取加熱試件在降溫過程中的紅外時(shí)序熱圖；其次，提取時(shí)序熱圖中正常和異常區(qū)域的灰度值，建立不同區(qū)域的灰度值與時(shí)間的關(guān)系，進(jìn)而獲得相應(yīng)的初始特征；再次，采用主成分分析方法對(duì)初始特征進(jìn)行提取，獲得時(shí)序特征；最后，以時(shí)序特征作為訓(xùn)練樣本，構(gòu)建概率神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)孔洞缺陷檢測(cè)。實(shí)驗(yàn)結(jié)果表明，正常區(qū)和異常區(qū)識(shí)別率分別可達(dá)到95%和85%。

紅外無損檢測(cè)；時(shí)序特征；主成分分析；概率神經(jīng)網(wǎng)絡(luò)

紅外無損檢測(cè)是近年來發(fā)展迅速的一種無損檢測(cè)方法［1］。與常規(guī)的渦流、射線等檢測(cè)方法相比，該方法具有非接觸、快速、溫度靈敏度高（≥0.1℃）等優(yōu)點(diǎn)，因此，已廣泛應(yīng)用于材料缺陷檢測(cè)中［2-3］。

目前，借助圖像處理方法，分析某一個(gè)時(shí)刻被測(cè)件的溫度差異是實(shí)現(xiàn)缺陷紅外無損檢測(cè)的主要方法。在該檢測(cè)過程中，一方面由于可獲取的用于檢測(cè)缺陷的特征較少；另一方面，由于單純圖像處理的缺陷檢測(cè)效果不佳等原因，最終局限了紅外無損檢測(cè)的發(fā)展。

研究基于熱圖時(shí)序特征，并結(jié)合主成分分析（PCA，principal component analysis）和概率神經(jīng)網(wǎng)絡(luò)（PNN，probabilistic neural network）［4］，以像素點(diǎn)為單位實(shí)現(xiàn)了被測(cè)件的缺陷檢測(cè)。研究一方面通過引入時(shí)序特征彌補(bǔ)了傳統(tǒng)紅外檢測(cè)中特征缺乏的不足，另一方面，以像素點(diǎn)為對(duì)象進(jìn)行缺陷檢測(cè)，最終獲得了理想的檢測(cè)效果。

1 實(shí)驗(yàn)部分

1.1 實(shí)驗(yàn)儀器與試件

實(shí)驗(yàn)儀器包括熱激勵(lì)源和紅外熱圖采集系統(tǒng)。熱激勵(lì)源為250 W的紅外燈，用于加熱試件；圖像采集系統(tǒng)是紅外熱像儀IR970。其實(shí)驗(yàn)方案示意圖如圖1所示。??

圖1 實(shí)驗(yàn)方案示意圖Fig.1 Schematic diagram of the experimental scheme

實(shí)驗(yàn)試件選用45#鋼板，鋼板的尺寸為147 mm×115 mm×19 mm，表面制備有2個(gè)不同大小的孔洞缺陷，其中異常區(qū)域?yàn)锳類孔洞缺陷區(qū)域（半徑r=7.4 mm）和B類孔洞缺陷區(qū)域（半徑r=6 mm），試件的其他區(qū)域?yàn)檎^(qū)域。

1.2 紅外時(shí)序熱圖采集

紅外無損檢測(cè)技術(shù)是被測(cè)件被加熱后，被測(cè)件內(nèi)部的缺陷改變材料局部的導(dǎo)熱性能，致使材料表面溫度場(chǎng)發(fā)生變化，通過材料表面的溫度圖譜即可判定缺陷，因此采用專用軟件對(duì)獲取的紅外熱圖進(jìn)行處理，從而達(dá)到檢測(cè)目的［5］。

首先，采用熱激勵(lì)源距離試件10 cm對(duì)試件缺陷面加熱20 min后；其次，通過紅外熱像儀自動(dòng)采集試件降溫過程中的紅外時(shí)序熱圖，間隔時(shí)間為30 s。圖2為降溫300 s后的灰度圖。

紅外熱圖的灰度級(jí)直接反應(yīng)了溫度高低及其分布特征。因此，溫差越大，圖像的對(duì)比度也越大，就越利于識(shí)別目標(biāo)。熱圖像上某一像素點(diǎn)(i,j)處的灰度值f（i，j）與該溫度值T（i，j）存在如下關(guān)系［6］：

式中：f（i，j）為灰度圖像；T（i，j）為圖像的熱場(chǎng)；Tmax為紅外熱圖像最高溫度；Tmin為紅外熱圖像最低溫度。因缺陷的出現(xiàn)會(huì)產(chǎn)生溫度場(chǎng)發(fā)生變化，鑒于灰度值和溫度高低有相應(yīng)的關(guān)系，則會(huì)破壞其所在區(qū)域灰度值的排布規(guī)律，表現(xiàn)為圖像中灰度的異常［6］。

圖2 灰度圖（t=300 s）Fig.2 Grayscale image(t=300 s)

2 初始特征獲取及其主成分提取

初始特征獲取及其主成分提取是本研究的重點(diǎn)之一，也是缺陷檢測(cè)的關(guān)鍵。

2.1 初始特征獲取

研究提出了一種獲取時(shí)序初始特征的方法。首先，通過灰度化和標(biāo)準(zhǔn)化，將采集的熱圖轉(zhuǎn)變成像素為177×137的灰度圖；其次，分別獲取各時(shí)序熱圖中正常區(qū)域和異常區(qū)域（包括A類和B類）像素點(diǎn)的灰度值，并分別對(duì)3類區(qū)域灰度值與時(shí)間的關(guān)系進(jìn)行曲線擬合（如圖3所示）；最后，在擬合曲線上每隔30 s選取一個(gè)灰度值，組成時(shí)序初始特征。

圖3 正常區(qū)域和異常區(qū)域灰度隨時(shí)間變化曲線Fig.3 Gray curve of the normal and defects area with the cooling time

2.2 初始特征的主成分提取

為減少初始特征的相關(guān)信息，降低其的維數(shù)，提高缺陷檢測(cè)的效率，研究對(duì)初始特征進(jìn)行了主成分提?。?-8］，主要過程如下：

1）建立初始特征矩陣X。分別以不同缺陷類型（正常區(qū)域，異常區(qū)域A類和B類）抽取訓(xùn)練集樣品的灰度特征點(diǎn)，經(jīng)標(biāo)準(zhǔn)化后，建立初始特征矩陣X為

式中：n為訓(xùn)練樣本數(shù)；p為初始特征維數(shù)，每隔30 s取某點(diǎn)的灰度值，p為30。

2）計(jì)算初始特征矩陣X的標(biāo)準(zhǔn)化矩陣S。

3）計(jì)算標(biāo)準(zhǔn)化矩陣S的特征值λi（i=1，2，…，p）（其中，特征值λi按由大到小順序排列），并計(jì)算出累積貢獻(xiàn)率，確定貢獻(xiàn)率大于80%的主成分個(gè)數(shù)m，其中m=3。

4）計(jì)算主成分。確定貢獻(xiàn)率大于80%的主成分，并作為新特征用于后續(xù)的神經(jīng)網(wǎng)絡(luò)識(shí)別。

3類區(qū)域的主成分散點(diǎn)圖如圖4所示。

3 構(gòu)建概率神經(jīng)網(wǎng)絡(luò)

概率神經(jīng)網(wǎng)絡(luò)是基于貝葉斯分類規(guī)則與概率密度函數(shù)估計(jì)方法發(fā)展而來的一種并行分類算法［9-10］。PNN由輸入層，模式層，求和層，輸出層共4層組成。測(cè)試樣品的特征矢量由輸入層放入神經(jīng)網(wǎng)絡(luò)后，模式層與累加層將計(jì)算出該樣品在每一模式類的概率密度，具有最大值的那一類將被認(rèn)為是當(dāng)前測(cè)試樣品的模式類。其中，概率密度的計(jì)算公式如下［11］：

圖4 3類區(qū)域主成分散點(diǎn)圖（m=3）Fig.4 Scattered point of three kinds of areas（m=3）

式中：X為測(cè)試樣品的p維特征向量；fA（X）為X屬于A類的概率密度函數(shù)；XAi為第A類缺陷類型的第i個(gè)訓(xùn)練樣品的特征向量；NA為A類中訓(xùn)練樣品的個(gè)數(shù)；δ為平滑參數(shù)，其取值確定了以樣本為中心的鐘狀曲線的寬度［12］。

根據(jù)提取出的序列灰度樣本集，及其對(duì)該時(shí)序特征進(jìn)行主成分分析獲得的前三個(gè)主成分得分，即可對(duì)PNN神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。當(dāng)正常區(qū)域和異常區(qū)域A、B的訓(xùn)練集樣品放入模式層之后，訓(xùn)練樣本訓(xùn)練完成，然后依次選取145組（A類區(qū)域）、102組（B類區(qū)域）、200組（正常區(qū)域）的待測(cè)像素點(diǎn)為測(cè)試樣本進(jìn)行測(cè)試，采用概率神經(jīng)網(wǎng)絡(luò)訓(xùn)練，平均識(shí)別率達(dá)到90%。最終實(shí)現(xiàn)了以像素點(diǎn)為單位并以時(shí)序特征為特征向量的缺陷檢測(cè)。

4 結(jié)果與分析

在Matlab中，構(gòu)建概率神經(jīng)網(wǎng)絡(luò)，利用像素點(diǎn)提取初始特征30個(gè)，并進(jìn)行主成分分析獲得3個(gè)有效特征，現(xiàn)在隨意選取其中的像素點(diǎn)的時(shí)序特征作為訓(xùn)練的輸入向量p，建立概率神經(jīng)網(wǎng)絡(luò)，其PNN檢測(cè)的分類結(jié)果統(tǒng)計(jì)如表1所示。

結(jié)果表明：

1）分類結(jié)果表明，采用時(shí)序特征并結(jié)合概率神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行缺陷檢測(cè)是完全可行的，其識(shí)別效果較理想。

2）識(shí)別結(jié)果表明，選取不同大小的孔洞類型缺陷，隨著面積減小，其識(shí)別率也相應(yīng)降低，說明面積小的孔洞缺陷，其識(shí)別效果沒有缺陷面積大的識(shí)別效果好。

3）從擬合曲線來看，3類區(qū)域的灰度值隨時(shí)間變化各不相同，同一時(shí)刻，正常區(qū)域灰度值最小，B類孔洞缺陷灰度值最大，說明缺陷面積越小，同一時(shí)刻其灰度值越小。而且在相同間隔內(nèi)，A類孔洞缺陷較B類灰度值變化較快，說明缺陷面積越小，其灰度值隨時(shí)間變化越慢。

5 結(jié)論

表1 孔洞缺陷檢測(cè)的分類結(jié)果Tab.1 Results of classification of hole defect detection

針對(duì)可獲取的用于檢測(cè)缺陷的特征較少，單純圖像處理的缺陷檢測(cè)效果不佳這一問題，實(shí)驗(yàn)采用紅外熱像儀獲取紅外時(shí)序熱圖；并提取熱圖中正常和異常區(qū)域的灰度值，建立不同區(qū)域的灰度值與時(shí)間的關(guān)系，進(jìn)而獲得時(shí)序初始特征；然后采用主成分分析實(shí)現(xiàn)初始特征降維，獲得時(shí)序特征；最后，以時(shí)序特征作為訓(xùn)練樣本，構(gòu)建概率神經(jīng)網(wǎng)絡(luò)。最終結(jié)果表明，正常區(qū)域和異常區(qū)域識(shí)別率分別可達(dá)到95%，85%。提出了一種以像素為單位，基于熱圖時(shí)序特征和PNN，實(shí)現(xiàn)了缺陷紅外無損檢測(cè)?？朔藛螐垐D片檢測(cè)、獲得特征信息量少的局限性等缺點(diǎn)，提高了有效性和精確性，具有一定的實(shí)用價(jià)值。

[1]田裕鵬.紅外檢測(cè)與診斷技術(shù)[M].北京:化學(xué)工業(yè)出版社.2006:15-40.

[2]吳平川,路同浚,王炎.鋼板表面缺陷的無損檢測(cè)技術(shù)與應(yīng)用[J].無損檢測(cè),2000,22(7):312-315.

[3]蔣淑芳.紅外熱波無損檢測(cè)用于材料表面下缺陷類型識(shí)別[D].北京:首都師范大學(xué),2006.

[4]SPECHT D F.Probabilistic neural networks[J].Neural networks,1990,3(1):109-118.

[5]匡以順.基于紅外熱圖像信息的銅轉(zhuǎn)爐爐襯蝕損狀態(tài)在線測(cè)量系統(tǒng)研究[D].贛州:江西理工大學(xué),2007.

[6]BULANON D M,BURKS T F,ALCHANATIS V.Image fusion of visible and thermal images for fruit detection[J].Biosystems En?gineering,2009,103(1):12-22.

[7]李鵬,周建民,趙志敏.基于PCA和PNN的高甘油三脂血清熒光光譜識(shí)別[J].光子學(xué)報(bào),2011,40(11):1641-1645.

[8]王杉,陳翔,司寒羽.基于遙感圖像信息特征的單調(diào)遞增SSDA算法[J].華東交通大學(xué)學(xué)報(bào),2013,30(1):15-21.

[9]孫永軍,王福明.概率神經(jīng)網(wǎng)絡(luò)PNN在發(fā)動(dòng)機(jī)故障診斷中的應(yīng)用[J].機(jī)械工程與自動(dòng)化,2007(8):99-99.

[10]蘇亮,宋緒丁.基于Matlab的概率神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)及應(yīng)用[J].計(jì)算機(jī)與現(xiàn)代化,2011(11):47-50.

[11]LEE J J,LEE J W,YI J H,et al.Neural networks-based damage detection for bridges considering errors in baseline finite ele?ment models[J].Journal of Sound and Vibration,2005,280(3):555-578.

[12]陳佳,傅攀.基于小波包和概率神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷[J].四川兵工學(xué)報(bào),2011,32(5):58-61.

Infrared Nondestructive Testing for Hole Defect Based on Temporal Characteristics and Probabilistic Neural Networks

Zhou Jianmin,Fu Zhengqing,Cai Li,Li Peng
(School of Mechatronical Engineering,East China Jiaotong University,Nanchang 330013,China)

This paper presents a novel method of infrared NDT for detecting hole defects based on temporal charac?teristics and probabilistic neural network(PNN).Firstly,the sequence image was obtained by thermal imaging camera.Secondly,the gray value of normal and abnormal area was extracted and different parts of the gray value of time were set up,and then the initial characteristics were achieved.The principal component analysis was used to extract initial characteristics and get the temporal characteristics.Finally,the temporal characteristics were adopt?ed as the training sample,and the probabilistic neural network was founded for the hole defect detection.Results showed that the recognition rates of the normal and abnormal area were 95%and 85%respectively.

infrared nondestructive testing;temporal characteristic;principal component analysis;probabilistic neural network

TN219

A

1005-0523（2014）02-0086-05

2013-09-18

國(guó)家自然科學(xué)基金資助項(xiàng)目（51175175）；江西省教育廳科技項(xiàng)目（GJJ13342；GJJ12312）作者簡(jiǎn)介：周建民（1975—），男，副教授，博士，研究方向?yàn)闊o損檢測(cè)技術(shù)。